关键词： 目标检测   可形变注意力   EIoU   浅层特征   分步训练   DES-YOLO  

摘要： 针对图像中背景复杂、目标小、分布密集等问题,提出了一种改进的DES-YOLO方法。通过引入可变形注意力模块(DAM),网络可动态关注关键区域,提高物体识别和定位精度;采用高效交并比(EIoU)损失函数,减少低质量样本影响,增强泛化能力和检测精度;在网络头部加入一层160 pixel×160 pixel的浅层特征图,加强小目标特征提取;并使用分步训练策略提升模型性能。实验结果表明,该模型在遥感数据集上的mAP@50提升了1.4%,在纺织数据集上提升了1.7%,验证了DES-YOLO的广泛适用性与有效性。

关键词： 深度学习   目标检测   图像识别   苗圃   YOLOv5s   部分卷积  

摘要： 为解决电动喷雾机器人在苗圃作业时对树苗、行人和栽培盆识别准确率低等问题,该研究提出一种基于改进YOLOv5s(you only look once version 5 small)的多目标检测方法。首先对骨干网络进行改进,将部分卷积(partial convolution,PConv)引入综合卷积模块(comprehensive convolution block,C3)中以减少网络模型计算量;在骨干网络最高维特征后添加坐标注意力机制(coordinate attention,CA)以提升位置感知精度;优化网络模型颈部结构并使用双线性插值进行上采样操作,增强模型特征提取能力;最后对原耦合检测头进行更换并优化检测部分的结构,使用改进的轻量化解耦头LD检测头(light decouple detection head)以进一步提升检测精度。试验结果表明,改进后模型的平均精度均值mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别达到88.2%、54.7%、86.0%和82.4%。与YOLOv5s模型相比,mAP_(0.5)、mAP_(0.5:0.95)、精确率、召回率分别提高4.6、5.9、1.8、3.4个百分点。改进模型在移动端部署后,识别需要避障的行人、盆以及需要作业的树苗的准确率较原模型分别提升了15.4、4.8和7.0个百分点。研究结果可为电动喷雾机器人在苗圃中的作业提供技术支撑。

关键词： 图像处理   点云配准   重叠分数预测   通道空间感知   松弛变量  

摘要： 现有部分重叠点云配准算法在重叠边界区域的感知以及非重叠点的去除上存在不足,限制了部分重叠点云配准算法性能的进一步提高。针对以上问题,本文设计了一种基于两阶段的重叠分数与匹配矩阵驱动的部分重叠点云配准网络。首先在位姿估计模块采用邻域一致特征作为输入来估计初始位姿,以提高初始对齐准确度;接着设计一种通道空间感知Transformer模块来感知两点云重叠区域,以保持对重叠边界区域的精确感知;然后提出一种基于Transformer的特征编码器来编码初始对齐后点云的特征,以挖掘特征图全局和显著通道特征;最后采用离群点去除方法将余弦相似度矩阵转换为匹配矩阵,以去除非重叠点并正确匹配点间对应关系。本文算法在ModelNet40,ShapeNetCore. v2和Stanford Bunny数据集上进行了验证,在ModelNet40数据集上,相对次优算法GeoTransformer,本文算法的平均各向同性误差MIE(R)和平均绝对误差MAE(R)分别下降12.79%和9.78%;在ShapeNetCore. v2数据集上,相对次优算法MGFPCR,本文算法的均方根误差RMSE(R)和平均绝对误差MAE(R)分别下降42.00%和61.66%;在Stanford Bunny数据集上,相比次优算法ROPNet,本文算法的均方根误差RMSE(R)和平均绝对误差MAE(R)分别下降25.53%和5.58%。实验结果表明,本文算法在泛化性能和抗噪性能上相比其他算法均有较好表现。

关键词： YOLO   目标检测   危险机械   输电线路   智能识别  

摘要： 为了实现输电线路上危险施工机械(挖掘机、推土机和打桩机)的智能识别,该文提出了一种改进的YOLOv7算法。通过爬虫获取复杂条件下的危险施工机械图像并建立数据集,结合Mixup和Mosaic等多种图像增强方法预处理数据集。采用K-means++算法改进YOLOv7,提高算法的识别效率。实验结果证明,K-means++算法提高了YOLOv7的模型收敛速度;所提出算法能有效进行危险施工机械的识别,识别效果优于YOLOv7,准确率提高了3.70%。

关键词： 行人检测   目标检测   SSD   GhostModule  

摘要： 拥挤行人检测是目前小目标检测领域的研究热点,针对拥挤行人检测场景中人物密集以及遮挡造成的漏检问题,提出一种改进SSD(single shot multi-box detector)目标检测算法。将浅层Vgg(visual geometry group)网络平原结构使用多分支细化联合归一化(batch normalization,BN)操作增加分支结构,并重命名为多分支细化(multibranch thinning)网络结构,使其可以细化浅层语义信息,提高网络泛化能力,充分表达行人信息;将改进后的Ghost模型替换多分支细化网络中的3×3卷积,利用Ghost模型中cheap_operation卷积降低因多分支结构增加的模型参数量,使用primary_conv提升浅层网络的特征提取能力,加强网络识别能力;使用二范式取代差值平方的形式改进Huber损失函数,增强网络训练的稳定性,使其达到较优的收敛效果。在Wider_Person拥挤行人检测数据集上的检测结果表明,提出的改进SSD目标检测算法MAP50达到72.9%,领先YOLO-X算法7.4个百分点,领先基线算法3.5个百分点,领先其他先进算法平均14.4个百分点,验证了该算法在行人检测中的可行性,满足遮挡行人场景的检测要求。

关键词： 智慧园区   应急疏散   人车混杂   动态目标检测   改进YOLOv5  

摘要： 在城市安全背景下,人车密集的智慧园区安全问题日益引起关注。实时检测进入园区内的人员、车辆,可以为应急情景下制定园区内人车的合理疏散策略提供重要的数据参考。为解决当前目标检测在应急事件发生时的环境复杂、目标密集、遮挡等导致的精度问题,以及模型计算量导致的快速性问题,提出了一种基于改进轻量级YOLOv5的人车混杂目标检测算法。在原始YOLOv5模型的基础上,将骨干网中的结构空间金字塔池化(spatial pyramid pooling-fast,SPPF)改进为SimSPPF,保持并改善模型实时性。在中尺度层增加一条额外的边,引入通道注意力模块(coordinate attention,CA),使得模型在检测人车混杂的场景中的准确度得到提高。实验结果表明,相较于YOLOv5s,该算法在保持检测速度在142帧/s的同时,精度上提高了2.1%,满足了智慧园区对于人、车混杂动态检测的准确性与实时性需求。

关键词： YOLOv5   地下排水管道   缺陷识别   注意力机制   目标检测  

摘要： 城市地下管网系统作为保障城市排涝安全的重要市政基础设施,在长期超负荷运行过程中普遍存在着诸多病害问题;传统检测技术CCTV依赖专业人员的专业技术以及先验经验,因此为实现自动化的城市地下管网缺陷病害,一种城市管网缺陷病害检测算法被提出并成功运用于实际工程中;采用自适应CA注意力机制,有效弱化复杂背景的负面影响;缺陷分类与回归的解耦关键方法,使得检测部分充分利用缺陷纹理和边缘信息,从而提高小尺寸缺陷的精度;SIoU损失函数的运用为算法引入角度项权衡,有效加快收敛速度;经实验测试得到71.1%的平均精确度,较原始算法提高5.3%,并满足了实际工程上的应用。

关键词： YOLOv8   目标检测   实例分割   坐标转换   危险等级  

摘要： 针对影响铁路接触网智能自轮运营维护装备车组(简称:运维车组)作业安全的人员侵入问题,提出了一种基于改进YOLOv8人员检测模型的视觉安全检测方法。以YOLOv8模型为基础,引入FasterNet Block、高效多尺度注意力模块(EMA,Efficient Multi-Scale Attention Module),学习跨空间聚合像素特征;针对单模型漏检,同场景下分别进行头部目标检测和身体实例分割,融合2个识别框,得到精确的识别结果;采用坐标转换法实现人员精准定位,确定人车距离并划分危险等级。该方法实现“识别—定位—预警”全流程,将其应用于智能运维车组中,通过对作业区域人员的检测定位,提升智能运维车组作业安全性。

关键词： 目标检测   知识蒸馏   轻量化   DETR   Transformer   自动驾驶  

摘要： 在自动驾驶领域,目标检测的高效性和准确性尤为重要,基于Transformer结构的目标检测方法逐渐成为主流,省去了复杂的锚点生成和非极大值抑制。针对现有方法计算成本高和收敛速度慢的问题,设计了一种基于池化操作的轻量化Transformer目标检测模型(LPT),包含了池化主干网络和双池化注意力机制,设计了针对DETR(detection transformer)模型的通用知识蒸馏方法,将预测结果、查询向量和教师提取的特征作为知识传递给轻量化的Transformer模型,帮助其提升精确度性能。通过在MS COCO 2017数据集上的实验,验证经过蒸馏的LPT模型在自动驾驶中的应用潜力,实验结果表明:本文方法具有较好的准确性,与一些先进的方法相比具有一定优势。

关键词： 玉米   害虫   YOLOv8   目标检测   UI   图片   视频   摄像头  

摘要： 基于流行的深度学习算法——YOLOv8框架,训练出一个智能识别玉米害虫的目标检测模型。采用PyQt5开发设计出一款可视化UI界面,实现图片检测、视频检测以及摄像头实时跟踪识别,系统可准确检测宁夏地区常见的13种玉米害虫类别,测试结果可以保存起来方便后续数据分析。基于YOLOv8的玉米害虫检测系统简单易用、界面友好、实时性好、准确率高,为宁夏玉米种植害虫识别提供了解决方案,满足农民现实需求,具备可推广价值。